UPVacina

Bibliotecas

# install.packages("writexl")
devtools::install_github('Mikata-Project/ggthemr')

Downloading GitHub repo Mikata-Project/ggthemr@HEAD

These packages have more recent versions available.
It is recommended to update all of them.
Which would you like to update?

 1: All                            
 2: CRAN packages only             
 3: None                           
 4: rlang   (1.1.3 -> 1.1.4) [CRAN]
 5: glue    (1.6.2 -> 1.7.0) [CRAN]
 6: cli     (3.6.2 -> 3.6.3) [CRAN]
 7: munsell (0.5.0 -> 0.5.1) [CRAN]
 8: farver  (2.1.1 -> 2.1.2) [CRAN]
 9: gtable  (0.3.4 -> 0.3.5) [CRAN]
10: ggplot2 (3.5.0 -> 3.5.1) [CRAN]

1

rlang   (1.1.3 -> 1.1.4) [CRAN]
glue    (1.6.2 -> 1.7.0) [CRAN]
cli     (3.6.2 -> 3.6.3) [CRAN]
munsell (0.5.0 -> 0.5.1) [CRAN]
farver  (2.1.1 -> 2.1.2) [CRAN]
gtable  (0.3.4 -> 0.3.5) [CRAN]
ggplot2 (3.5.0 -> 3.5.1) [CRAN]

Installing 7 packages: rlang, glue, cli, munsell, farver, gtable, ggplot2
Warning: package ‘ggplot2’ is in use and will not be installedInstalling packages into ‘C:/Users/Wasim/AppData/Local/R/win-library/4.3’
(as ‘lib’ is unspecified)
tentando a URL 'https://cran.rstudio.com/bin/windows/contrib/4.3/rlang_1.1.4.zip'
Content type 'application/zip' length 1581154 bytes (1.5 MB)
downloaded 1.5 MB

tentando a URL 'https://cran.rstudio.com/bin/windows/contrib/4.3/glue_1.7.0.zip'
Content type 'application/zip' length 161290 bytes (157 KB)
downloaded 157 KB

tentando a URL 'https://cran.rstudio.com/bin/windows/contrib/4.3/cli_3.6.3.zip'
Content type 'application/zip' length 1339292 bytes (1.3 MB)
downloaded 1.3 MB

tentando a URL 'https://cran.rstudio.com/bin/windows/contrib/4.3/munsell_0.5.1.zip'
Content type 'application/zip' length 244337 bytes (238 KB)
downloaded 238 KB

tentando a URL 'https://cran.rstudio.com/bin/windows/contrib/4.3/farver_2.1.2.zip'
Content type 'application/zip' length 1509617 bytes (1.4 MB)
downloaded 1.4 MB

tentando a URL 'https://cran.rstudio.com/bin/windows/contrib/4.3/gtable_0.3.5.zip'
Content type 'application/zip' length 225772 bytes (220 KB)
downloaded 220 KB

package ‘rlang’ successfully unpacked and MD5 sums checked

Warning: cannot remove prior installation of package ‘rlang’Warning: problem copying C:\Users\Wasim\AppData\Local\R\win-library\4.3\00LOCK\rlang\libs\x64\rlang.dll to C:\Users\Wasim\AppData\Local\R\win-library\4.3\rlang\libs\x64\rlang.dll: Permission deniedWarning: restored ‘rlang’

package ‘glue’ successfully unpacked and MD5 sums checked

Warning: cannot remove prior installation of package ‘glue’Warning: problem copying C:\Users\Wasim\AppData\Local\R\win-library\4.3\00LOCK\glue\libs\x64\glue.dll to C:\Users\Wasim\AppData\Local\R\win-library\4.3\glue\libs\x64\glue.dll: Permission deniedWarning: restored ‘glue’

package ‘cli’ successfully unpacked and MD5 sums checked

Warning: cannot remove prior installation of package ‘cli’Warning: problem copying C:\Users\Wasim\AppData\Local\R\win-library\4.3\00LOCK\cli\libs\x64\cli.dll to C:\Users\Wasim\AppData\Local\R\win-library\4.3\cli\libs\x64\cli.dll: Permission deniedWarning: restored ‘cli’

package ‘munsell’ successfully unpacked and MD5 sums checked
package ‘farver’ successfully unpacked and MD5 sums checked

Warning: cannot remove prior installation of package ‘farver’Warning: problem copying C:\Users\Wasim\AppData\Local\R\win-library\4.3\00LOCK\farver\libs\x64\farver.dll to C:\Users\Wasim\AppData\Local\R\win-library\4.3\farver\libs\x64\farver.dll: Permission deniedWarning: restored ‘farver’

package ‘gtable’ successfully unpacked and MD5 sums checked

The downloaded binary packages are in
    C:\Users\Wasim\AppData\Local\Temp\Rtmp0s911S\downloaded_packages
── R CMD build ──────────────────────────────────────
  
  
  
✔  checking for file 'C:\Users\Wasim\AppData\Local\Temp\Rtmp0s911S\remotes21ac2ee16949\Mikata-Project-ggthemr-f04aca6/DESCRIPTION' (900ms)

  
  
  
─  preparing 'ggthemr': (3s)
   checking DESCRIPTION meta-information ...
  
✔  checking DESCRIPTION meta-information (472ms)

  
─  checking for LF line-endings in source and make files and shell scripts (359ms)
─  checking for empty or unneeded directories (351ms)
   Removed empty directory 'ggthemr/README_files'
   Omitted 'LazyData' from DESCRIPTION

  
─  building 'ggthemr_1.1.0.tar.gz'
   

Installing package into ‘C:/Users/Wasim/AppData/Local/R/win-library/4.3’
(as ‘lib’ is unspecified)

* installing *source* package 'ggthemr' ...
** using staged installation
** R
** byte-compile and prepare package for lazy loading
Warning message:
package 'ggplot2' was built under R version 4.3.3 
** help
*** installing help indices
** building package indices
** testing if installed package can be loaded from temporary location
Warning: package 'ggplot2' was built under R version 4.3.3
** testing if installed package can be loaded from final location
Warning: package 'ggplot2' was built under R version 4.3.3
** testing if installed package keeps a record of temporary installation path
* DONE (ggthemr)

# install.packages("writexl")
devtools::install_github('Mikata-Project/ggthemr')

Skipping install of 'ggthemr' from a github remote, the SHA1 (f04aca60) has not changed since last install.
  Use `force = TRUE` to force installation

brary(ggthemr)

Error in brary(ggthemr) : não foi possível encontrar a função "brary"

Unindo tabelas

Dados de estados

lista_UF_cobertura = list.files() 

# Lista todos os arquivos CSV no diretório
arquivos_xlsx <- list.files(here(), pattern = "\\.xlsx$", full.names = F)

#Criar funcao
read_xl_sipni <- function(arquivo) {
  dados <- read_excel(arquivo, skip = 4, col_names = FALSE) %>%
    setNames(.[1, ]) %>%
    slice(-1:-4) %>%
    mutate(across(-1, as.numeric)) %>%  
    pivot_longer(cols = -c(1), 
                 names_to = "imuno", 
                 values_to = "cobertura") %>% 
    mutate(arquivo = basename(arquivo)) %>% 
    janitor::clean_names() %>% 
    mutate(cobertura = round(cobertura, 2),
           ano = as.numeric(gsub(".*_(\\d{4})\\.xlsx", "\\1", arquivo)),
           uf = gsub("\\d", "", .[[1]]))  %>% 
    select(-unidade_da_federacao) %>% 
    filter(!is.na(uf),
           !grepl("Gerado", uf)) %>% 
    select(uf, ano, imuno, cobertura) %>% 
    group_by(uf, ano, imuno)
  
  return(dados)
}


# Leia, converta em tabela longa e combine os arquivos CSV em um único DataFrame
sipni_cobertura_uf_1994_2023 <- lapply(arquivos_xlsx, read_xl_sipni) %>%
  bind_rows()

saveRDS(sipni_cobertura_uf_1994_2023, file = "sipni_cobertura_uf_1994_2023.rds")

Dados de municípios

#Listar tabelas
lista_MU_cobertura = list.files() 
arquivos_xlsx <- list.files(here(), pattern = "\\.xlsx$", full.names = F)

#Criar função
read_xl_sipni_municipio <- function(arquivo) {
  dados <- read_excel(arquivo, skip = 4, col_names = FALSE) %>%
    setNames(.[1, ]) %>%
    slice(-1:-4) %>%
    mutate(across(-1, as.numeric)) %>%  
    pivot_longer(cols = -c(1), 
                 names_to = "imuno", 
                 values_to = "cobertura") %>% 
    mutate(arquivo = basename(arquivo)) %>% 
    janitor::clean_names() %>% 
    mutate(cobertura = round(cobertura, 2),
           ano = as.numeric(gsub(".*_(\\d{4})\\.xlsx", "\\1", arquivo))) %>% 
    filter(!is.na(municipio),
           !grepl("Gerado", municipio)) %>% 
    select(municipio, ano, imuno, cobertura) %>% 
    group_by(municipio, ano, imuno)
  
  return(dados)
}

#Unir dados
sipni_cobertura_municipios_1994_2023 <- lapply(arquivos_xlsx, read_xl_sipni_municipio) %>%
  bind_rows()

#Salvar
saveRDS(sipni_cobertura_municipios_1994_2023, 
          file = "sipni_cobertura_municipios_1994_2023.rds")

Processamento de dados

#Estados
sipni_cobertura_uf_1994_2023_2 = sipni_cobertura_uf_1994_2023 %>% 
  mutate(mun_uf = "UF", 
         nome = uf,
         nome =  toupper(nome),
         nome = stri_trans_general(nome, "Latin-ASCII")) %>% 
  select(nome, uf, ano, imuno, cobertura, mun_uf)

saveRDS(sipni_cobertura_uf_1994_2023_2, file = "sipni_cobertura_uf_1994_2023_2.rds")

#Municípios
sipni_cobertura_municipios_1994_2023_2 = sipni_cobertura_municipios_1994_2023 %>% 
 mutate(codigo = as.character(str_extract(municipio, "\\d+")),# Extrair números
        nome = str_remove(municipio, "\\d+ "),# Extrair texto
        mun_uf = "Município" ) %>% 
  select(!"...1":municipio)

glimpse(sipni_cobertura_municipios_1994_2023_2)

# #Unir
# sipni_all = bind_rows(sipni_cobertura_uf_1994_2023_2, sipni_cobertura_municipios_1994_2023_2)
# write.csv(sipni_all, file = "sipni_uf_mun_1994_2023.csv")

#Anotar municipios e estados

#Anotações de cidades. Fonte: IBGE. https://www.ibge.gov.br/explica/codigos-dos-municipios.php
dtb_municipios_cod = RELATORIO_DTB_BRASIL_MUNICIPIO %>% 
  clean_names() %>% 
  select(codigo_uf = uf, uf = nome_uf, codigo = codigo_municipio_completo, nome_municipio) %>% 
  mutate(nome_municipio_original = nome_municipio,
         nome =  toupper(nome_municipio_original),
         nome = stri_trans_general(nome, "Latin-ASCII")) %>% 
  select(-nome_municipio)

municipios = sipni_cobertura_municipios_1994_2023_2 %>% 
  mutate(nome = gsub("\\\\", "", nome)) %>% 
  left_join(dtb_municipios_cod, by = "nome") %>% 
  select(nome, nome_municipio_original, uf, codigo_municipio = codigo.y, ano, imuno, cobertura, codigo_uf, mun_uf)

#Salvar
saveRDS(municipios, file = "sipni_cobertura_municipios_1994_2023_2.rds")
  

#Análise de dados Os dados das populações foram obtidos dos anos 2000 a 2022, pois os anos 2007 e 2023 não estavam disponíveis. Definir variáveis - https://www.ibge.gov.br/estatisticas/downloads-estatisticas.html - Censos - Perfil Estados - Perfil Municipios - Economicos - Indicadores sociais - Educacação e qualificação profissional - Economia de saúde - Acesso à internet - Educação - Saúde

install.packages("basedosdados")
library("basedosdados")

# Para carregar o dado direto no R
query <- bdplyr("br_ibge_censo_demografico.microdados_domicilio_1970")
df <- bd_collect(query)


install.packages("bdplyr")
query <- bdplyr("br_ms_atencao_basica.municipio")
df <- bd_collect(query)

# População ---- 

# Obter população de municipios.
anos = 2000:2023
resultados = list()
for (ano in anos) {
  tryCatch({
    # Chamar a função populacao_municipios para o ano atual e armazenar o resultado na lista
    df_ano <- populacao_municipios(ano)
    df_ano <- df_ano %>%
      mutate_all(as.character)  # Convertendo todas as colunas para character
    resultados[[as.character(ano)]] <- df_ano
  }, error = function(e) {
    # Tratar o erro (por exemplo, imprimir uma mensagem)
    print(paste("Erro para o ano", ano, ":", conditionMessage(e)))
  })
}

# Combinar todos os dataframes em um único dataframe
populacao_municipios_2000_2022 <- bind_rows(resultados, .id = "ano") %>% 
  select(uf_abrev = uf, 
         nome_municipio_original = nome_munic,
         ano, codigo_uf, 
         populacao, 
         codigo_municipio = cod_municipio) %>% 
  mutate(ano = as.numeric(ano),
         populacao = as.numeric(populacao))
  
print(populacao_municipios_2000_2022)


# GDP ----

anos = 1999:2020
pib_municipios(ano = 2003)

resultados = list()
for (ano in anos) {
  tryCatch({
    df_ano <- pib_municipios(ano = ano, dir=".")
    resultados[[ano]] <- df_ano
  }, error = function(e) {
    print(paste("Erro para o ano", ano, ":", conditionMessage(e)))
  })
}

# Combinar todos os dataframes em um único dataframe
populacao_municipios_2000_2022 <- bind_rows(resultados, .id = "ano") %>% 
  select(uf_abrev = uf, 
         nome_municipio_original = nome_munic,
         ano, codigo_uf, 
         populacao, 
         codigo_municipio = cod_municipio) %>% 
  mutate(ano = as.numeric(ano),
         populacao = as.numeric(populacao))
  
print(populacao_municipios_2000_2022)

#Unir dados

municipios_2 = municipios %>% 
 left_join(populacao_municipios_2000_2022 %>% 
             select(codigo_municipio, ano, populacao),
            by = c("codigo_municipio", "ano"))

#IEPS dados

#Unir dados
IEPS_Brasil_2010_2022_Todos <- read_excel("dados_brutos/IEPS/IEPS_Brasil_2010_2022_Todos.xlsx") %>% 
  mutate(nivel = "Brasil")
IEPS_Estados_2010_2022_Todos <- read_excel("dados_brutos/IEPS/IEPS_Estados_2010_2022_Todos.xlsx") %>% 
  mutate(nivel = "Estado")
IEPS_MacroRegiao_2010_2022_Todos <- read_excel("dados_brutos/IEPS/IEPS_MacroRegiao_2010_2022_Todos.xlsx") %>% 
  mutate(nivel = "Macro Região")
IEPS_Municipios_2010_2022_Todos <- read_excel("dados_brutos/IEPS/IEPS_Municipios_2010_2022_Todos.xlsx") %>% 
  mutate(nivel = "Município")
IEPS_Regiao_2010_2022_Todos <- read_excel("dados_brutos/IEPS/IEPS_Regiao_2010_2022_Todos.xlsx") %>% 
  mutate(nivel = "Região")


IEPS_Completo_2010_2022_Todos = bind_rows(IEPS_Brasil_2010_2022_Todos,
                                          IEPS_Estados_2010_2022_Todos,
                                          IEPS_MacroRegiao_2010_2022_Todos,
                                          IEPS_Regiao_2010_2022_Todos,
                                          IEPS_Municipios_2010_2022_Todos)

IEPS_Completo_2010_2022_Todos %>% 
  saveRDS(file = here("dados_processados", "IEPS_Completo_2010_2022_Todos.rds"))

Seleção de variáveis

#Análise exploratória

vacinas_estado_sp

Error in `expand_range4()`:
! `expand` must be a numeric vector with 2 or 4 elements.
Backtrace:
  1. base (local) `<fn>`(x)
  2. ggplot2:::print.ggplot(x)
  4. ggplot2:::ggplot_build.ggplot(x)
  5. layout$setup_panel_params()
  6. ggplot2 (local) setup_panel_params(..., self = self)
     ...
 12. ggplot2:::view_scales_from_scale(scale_y, self$limits$y, self$expand)
 13. ggplot2:::expand_limits_scale(scale, expansion, limits, coord_limits = coord_limits)
 14. ggplot2:::expand_limits_continuous(limits, expand, coord_limits_scale)
 15. ggplot2:::expand_limits_continuous_trans(limits, expand, coord_limits)
 16. ggplot2:::expand_range4(continuous_range_coord, expand)